ZoomGain-9B vs Qwen 3.8 8B: Det finns ingen Qwen3.8-8B, och det är artikeln

Sök efter "Qwen 3.8 8B" och du hittar jämförelsesidor, nedladdningslänkar och ett halvdussin artiklar som behandlar den som en modell som redan är släppt. Det är den inte. Alibabas Qwen3.8-generation innehåller fyra öppna checkpoints – Qwen3.8-27B, dess FP8-bygge, Qwen3.8-2.4T-A95B och Qwen3.8-Flash-Next – och ingen av dem är en 8B. 8B-platsen i Qwen-sortimentet upptas av Qwen3-8B, en modell från 2025 års Qwen3-generation, som är en annan arkitektur, en annan tokeniserare och en annan era. Så den ärliga versionen av den här jämförelsen är mellan ZoomGain-9B, den 9B-checkpoint för vision och språk som inclusionAI publicerade den 10 november 2026, och de två Qwen-modeller som faktiskt finns i jämförbar storlek: Qwen3.8-27B, den minsta täta medlemmen i 3.8-generationen med 27 miljarder parametrar, och Qwen3.5-9B, den stomme som ZoomGain-9B eftertränades från.

Den korrigeringen är inte en teknisk formalitet som ska avfärdas innan det intressanta tar vid. Den förändrar svaret. Qwen3.5-9B är basmodellen som ZoomGain tränades på, så det är det närmaste ett kontrollerat experiment man kommer i hela den här utgåvan: samma vikter, samma arkitektur, samma tokenizer, 9 000 RL-exempel i skillnad. Qwen3.8-27B är tre gånger så stor och två generationer nyare, och det är modellen du faktiskt skulle välja i stället för ZoomGain om du ville ha en Qwen-endpoint i dag. Att jämföra mot båda säger något som den fiktiva 8B aldrig kunde.

Varför fantomposten överhuvudtaget finns

Namngivningen är inte slumpmässig. Q​wen släppte 27B och 2.4T-A95B den 5 och 8 augusti 2026, sedan Flash-Next den 24 augusti. Den föregående generationen, Q​wen3.5, hade en 9B och en 4B; Q​wen3.6 hade 27B och 35B-A3B. Varje generation sedan Q​wen3 har inkluderat en liten tät modell, och 3.8-generationen är den första som hoppar över en. Den som mönstermatchar mot de tre tidigare lanseringarna skulle rimligen förutspå en Q​wen3.8-9B, och en Q​wen3.8-8B ligger en siffra ifrån den förutsägelsen.

Det som faktiskt fyller gapet är community-distillation. Qwen3.8-9B-Distill-checkpoints dök upp på Hub från oberoende labb inom en vecka efter 27B-släppet, och derivat av dessa derivat följde. De är små modeller som tränats på utdata från Qwen3.8, inte Qwen3.8-modeller. Om en sida du hittade beskriver "Qwen 3.8 8B" med benchmark-siffror, är den mest sannolika förklaringen att den beskriver en av dessa, eller att den inte beskriver någonting.

Den praktiska konsekvensen: om du behöver en liten modell i Qwen-familjen är de nuvarande verkliga alternativen Qwen3.5-9B med 9B och Qwen3.5-4B med 4B, båda från februari 2026, båda Apache 2.0, båda fortfarande bland de mest nedladdade modellerna på Hub. ZoomGain-9B är byggd på den första av dem.

Det kontrollerade experimentet som utgivningen oavsiktligt tillhandahåller

Qwen3.5-9B:s konfiguration och ZoomGain-9B:s har samma form: 32 lager, dold storlek 4 096, mellanstorlek 12 288, 16 query-huvuden mot 4 KV-huvuden vid huvuddimension 256, 262 144 maximala positioner och samma 3:1-schema för linjär DeltaNet till full attention. Visionstornet är basmodellens. Inget i arkitekturen har ändrats.

Det som förändrades var efterträningen. ZoomGain tillämpade GRPO på 9 000 frågor som genererats genom att utvinna detaljer från beskurna bilder, under en epoch, med åtta rollouts per fråga. Det är hela interventionen, och dess uppmätta effekt på ZoomGainBench är 32,13 till 55,48 – ett hopp på 23,35 punkter på ett benchmark som byggts från samma pipeline som träningsdata, vilket artikeln ärligt kallar ”Held-in”.

Siffran som överlever den invändningen är held-out-genomsnittet över tretton benchmarks som träningen aldrig såg: 59,75 för Qwen3.5-9B, 66,10 för ZoomGain-9B. En förbättring på 6,35 punkter från 9 000 prover, med samma vikter. I den specifika familj som släppet riktar sig mot är deltat större: HR-Bench 4K 82,13 till 90,25, V*Bench 86,91 till 93,19, VisualProbe 44,66 till 56,31.

• Det intressanta negativa resultatet – MMStar går från 71,73 till 73,87, och BabyVision från 15,98 till 17,53. Allmän multimodal kompetens förändras knappt. Träningen gav finkornig detalj och inte mycket annat, vilket är vad en riktad RL-körning med 9 000 prover bör göra.

• Det ärliga förbehållet – allt ovanstående är rapporterat av författarna i författarnas egen testmiljö. Ingen utanför Ant Group har reproducerat det. Utvärderaren och riktmärket är offentliga, så det är kontrollerbart, men det har inte kontrollerats.

Qwen3.8-27B, och raden som placerar den i samma tabell

Här blir jämförelsen på allvar, eftersom ZoomGain-artikeln faktiskt utvärderade Qwen3.8-27B på sitt eget benchmark. 27B får 44,81 totalt på ZoomGainBench – bakom Kimi-K3:s 48,65, bakom Qwen3.8-Flash-Next:s 55,05 och bakom alla slutna frontier-modeller i tabellen. Enligt det måttet är den en kompetent men föga anmärkningsvärd uppfattare av fina detaljer.

Jämför det med ZoomGain-9B:s 55,48 på samma test, och aritmetiken ser slående ut: en 9B-modell som får 10,7 poäng mer än en 27B-modell från samma familj, på ett benchmark som ingen av leverantörernas marknadsföring skulle välja. Men det är precis den jämförelse som behöver förses med held-in-etiketten, och artikeln gör det. ZoomGainBench byggdes av den pipeline som byggde ZoomGains träningsdata. En modell som tränats på frågor från den pipelinen har sett fördelningen; en modell som utvärderas på den har inte gjort det. Gapet på 10,7 poäng är ett uttalande om anpassning till fördelningen, inte om förmåga.

Där de två kan jämföras utan den distorsionen vänds bilden. Qwen3.8-27B:s eget modellkort rapporterar Terminal Bench 2.1 på 73.0, SWE-bench Pro på 61.7, LiveCodeBench v6 på 90.3, GPQA Diamond 89.2 och HLE 30.8. ZoomGain-9B utvärderades inte på något av dessa och skulle inte förväntas prestera bra: dess träning rörde aldrig kod, terminaluppgifter eller naturvetenskap på forskarnivå. Qwen3.8-27B tar också emot bilder och video nativt, erbjuder en kontext på 262 144 tokens som kan utökas till en miljon och stöder styrning av tänkande med `reasoning_effort` – en förmåga som ZoomGain-9B inte har alls, eftersom dess utvärdering körs med tänkande avstängt.

• Storlek och form – Qwen3.8-27B är en tät 27B-modell med 64 lager, hidden-dimension 5 120, intermediate-dimension 17 408 och ett 1-lagers huvud för multi-token-förutsägelse. ZoomGain-9B är ungefär 9,4B med 32 lager vid hidden-dimension 4 096.

• Tillgänglighet — Qwen3.8-27B har 7,4 miljoner nedladdningar, en Apache 2.0-licens, FP8- och GGUF-byggen samt en hostad endpoint. ZoomGain-9B har ingen hostad endpoint, en tom leverantörsmappning på Hubben, en licens som hänvisas till ett kort utan licenstagga, och GGUF-byggen från 11 november som enda distribution utöver BF16.

• {{1}}Releasedatum{{/1}} — {{2}}Qwen3.8-27B{{/2}}: {{3}}5 augusti 2026{{/3}}, {{4}}en fullständig lansering{{/4}} med {{5}}ett blogginlägg{{/5}} och {{6}}en teknisk rapport{{/6}}. {{7}}ZoomGain-9B{{/7}}: {{8}}10 november 2026{{/8}}, {{9}}en artikel{{/9}} och {{10}}ett kodförråd{{/10}} och {{11}}inget annat{{/11}}. {{12}}Tremånadersgapet spelar mindre roll än det faktum att en av dem har varit i produktion sedan augusti.{{/12}}

Priset för varje rutt, och den vi faktiskt kan sälja till dig

Qwen3.8-27B finns i OrcaRouter-katalogen till 0,33 USD per miljon indatatokens och 2,40 USD per miljon utdatatokens, med 262K kontext samt text-, bild- och videoinmatning, och 0 % påslag på leverantörens listpris — numret på vår modellsida är numret Q​wen tar ut, vidarebefordrat, så en prisändring från leverantören slår igenom här samma dag i stället för efter en prisjusteringscykel. Samma nyckel ger även åtkomst till Qwen3.8-Flash och Qwen3.8-Max om 27B visar sig vara fel storlek, och failover innebär att en endpoint som har fastnat gör ett nytt försök mot en leverantör innan svaret börjar i stället för efter att din förfrågan har timat ut.

ZoomGain-9B finns inte i katalogen och kan inte anropas via oss. Den är 18,82 GB i BF16, eller 5,63 GB vid Q4_K_M plus en 0,52 GB mmproj-projektor, serverad under vLLM 0.19.1 med transformers 5.7.0 eller under en llama.cpp-build med Qwen3.5 multimodalt stöd. Inte heller Qwen3.5-9B finns i katalogen, vilket är värt att säga rakt ut: den billiga hostade versionen av den här jämförelsen finns inte på vår sida heller.

Om din faktiska fråga är "ska jag köra ZoomGain-9B i stället för att betala för en Qwen-endpoint", är kostnadsjämförelsen inte ens nära åt något håll och behöver inte vara det. En 27B dense-modell för $0,33 per miljon indatatokens är billigare än att äga en GPU för nästan vilken volym som helst som du skulle kalla tillfällig. Att självhosta en 9B vinner bara när volymen är hög, datan inte kan lämna ditt nätverk, eller uppgiften är den enda smala uppgift som 9B:n tränades för.

När fantommodellen skulle ha spelat roll

Det finns en verklig lucka i Qwen-sortimentet, och den är värd att nämna eftersom den förklarar varför så många sökte efter den här matchningen. En 9B dense-modell med ett 262K-fönster och ett vokabulär från Qwen3.8-generationen, såld till ett pris i närheten av Qwen3.5-9B:s, skulle vara det självklara budgetvalet för bildtunga pipelines – billigare än 27B, mer kapabel än 4B och tillräckligt liten för att självhostas på ett enda kort. Qwen lanserade ingen sådan, så platsen betjänas för närvarande antingen av den äldre Qwen3.5-9B eller av en community-distillation utan någon leverantör bakom sig.

ZoomGain-9B är inte heller den modellen, och åtskillnaden spelar roll. Det är en perceptionsspecialist med en fråga om forskningslicens och ingen hostad väg, inte en allmän liten Q​wen. Om det du ville ha från "Q​wen 3.8 8B" var en billig generalist kommer ZoomGain-9B att göra dig besviken på allt utom fina detaljer. Om det du ville ha var en modell som kan hitta serienumret i ett 4K-fotografi, är det en av de få små checkpoint-modeller som byggts specifikt för just det.

För generalistfallet är de realistiska ersättarna den hostade Qwen3.5-serien – 35B-A3B till $0,057 per miljon indatatokens, 27B till $0,086 – som fyller budgetplatsen som den saknade 8B skulle ha fyllt, med större fotavtryck och en riktig endpoint. För perceptionsfallet finns det ingen hostad ersättare vi kan erbjuda: Qwen3-VL-8B-Instruct till $0,18 för indata och $0,70 för utdata per miljon tokens tar emot bilder och fungerar som stand-in för att testa om dina fel är detaljfel, men den har inte tränats på samma sätt som ZoomGain och kommer inte att matcha den på beskärningar.

Vad ska man göra med det här, konkret?

Om du kom hit för att få ett utlåtande om ZoomGain-9B vs Qwen3.8-8B, så är utlåtandet att motståndaren inte existerar och att varje sida som gav dig ett sådant hittade på hälften av jämförelsen. De två verkliga frågorna är snävare, och båda går att besvara redan i dag.

Fråga ett: är en 9B-finjustering av Qwen3.5-9B bättre än Qwen3.5-9B på finmaskig perception? Enligt författarnas siffror, ja med 6,35 poäng på held-out och med mycket mer på de benchmarks som träningen riktade in sig på. Det är ett starkt resultat för 9 000 prover och det mest intressanta i lanseringen.

Fråga två: är ZoomGain-9B bättre än Qwen3.8-27B på något som spelar roll för dig? När det gäller allmän förmåga, nej – 27B är nyare, större, bättre dokumenterad, licensierad, hostad och utvärderad utifrån långt fler dimensioner. På ett benchmark som byggts från ZoomGain:s egen träningsfördelning presterar den 10,7 poäng högre, vilket säger att träningen fungerade men inget om vilken modell du bör köpa.

Beslutet som följer är oglamoröst. Använd en hostad Q​wen-modell för allmänna uppgifter, eftersom den kostar $0.33 per miljon indatatokens och nås via ett enda API-anrop. Ladda bara ner ZoomGain-9B om du har en specifik uppgift som kräver fin detaljrikedom, en GPU och en advokat som har läst en licensfil som leverantören inte har publicerat.